Merge branch 'K-clustering' of...

Merge branch 'K-clustering' of gitlab-student.centralesupelec.fr:antonin.decouvelaere/ia-detection-leucemie into K-clustering

K-clustering.py

+import cv2
+import numpy as np
+
+def K_clustering(image,K=2):
+    # Applatir l'image pour K-means (transformation en tableau 1D)
+    pixels = image.reshape((-1,1)).astype(np.float32)
+
+    # Définir les critères d'arrêt du K-means
+    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
+
+    # Application du K-means
+    _, labels, centers = cv2.kmeans(pixels, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
+
+    # Reconstruction de l'image segmentée
+    segmented = labels.reshape(image.shape)
+
+    # Affichage de l'image segmentée (binaire)
+    segmented_display = (segmented * 255).astype(np.uint8)
+    return segmented_display
\ No newline at end of file

RGB_LAB.py

 import cv2
 import numpy as np
 
-# Charger l'image
-image = cv2.imread("Exemple_image.jpg")
-
-# Convertir l'image de RGB à LAB
-lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
-# Extraire le canal A (qui met en évidence les cellules B-ALL)
-lab_a = lab_image[:,:,1]
-
-# Afficher l'image originale, la conversion LAB et le canal A
-cv2.imshow("RGB", image)
-cv2.imshow("LAB", lab_image)
-cv2.imshow("LAB - A", lab_a)
-
-# Applatir l'image pour K-means (transformation en tableau 1D)
-pixels = lab_a.reshape((-1,1)).astype(np.float32)
-
-# Définir les critères d'arrêt du K-means
-criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
-K = 4  # On divise en 2 groupes
-
-# Application du K-means
-_, labels, centers = cv2.kmeans(pixels, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
-
-# Reconstruction de l'image segmentée
-segmented = labels.reshape(lab_a.shape)
-
-# Affichage de l'image segmentée (binaire)
-segmented_display = (segmented * 255).astype(np.uint8)
-cv2.imshow("Segmented Image (binary)", segmented_display)
-
-# --- Ajout du seuil binaire (binary thresholding) ---
-# Définir un seuil binaire
-threshold_value = 127  # Seuil à définir selon l'intensité désirée
-
-# Appliquer un seuil binaire sur l'image segmentée
-_, binary_image = cv2.threshold(segmented_display, threshold_value, 255, cv2.THRESH_BINARY)
-
-# Afficher l'image binaire résultante
-cv2.imshow("Binary Thresholded Image", binary_image)
-
-cv2.waitKey(0)
-cv2.destroyAllWindows()
+def RGB_LAB(image):
+    # Convertir l'image de RGB à LAB
+    lab_image = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
+    # Extraire le canal A (qui met en évidence les cellules B-ALL)
+    lab_a = lab_image[:,:,1]
+    return lab_a
\ No newline at end of file

binary_thresholding.py

+import cv2
+import numpy as np
+
+def Binary_tresholding(image, seuil=127):
+    # Appliquer un seuil binaire sur l'image segmentée
+    _, binary_image = cv2.threshold(image, seuil, 255, cv2.THRESH_BINARY)
+    return binary_image